蜜蜂群算法是源于自然界的蜜蜂行为而提出的一种新颖的群智能优化算法。由于其容易实现、有较少的控制参数和计算简洁等优点,使得越来越多的学者对其关注。目前对蜜蜂群算法的研究和应用还处于初级阶段,还存在很多问题有待深入改进和解决。　　 本文针对蜜蜂群算法的缺点对其从两个方向上进行改进:一是通过对算法的原理进行分析,对该算法本身的搜索策略进行改进;二是受到混合智能优化算法思想的启发,将模拟退火算法的思想引入到蜜蜂群算法中。为了有效改善蜜蜂群算法的性能,保持全局搜索和局部搜索的平衡,论文在这两个方向上提出了三种改进的蜜蜂群算法和一种混合蜜蜂群算法。　　 首先,改进了群体与个体搜索过程中的信息交流机制。利用当前的全局最优解和个体最优解的信息来改进人工蜂群算法中的搜索模式,强化群体间的信息交流。其次,在此基础上又提出两种基于不同变化学习因子的蜜蜂群算法。引入变化学习因子来调整蜜蜂个体经验和社会群体经验在整个寻优过程中所起的作用,以保持全局搜索和局部搜索的平衡。最后,提出了基于模拟退火算法的混合蜂群算法。该算法采用模拟退火算法的Metropolis准则,依概率确定全局最优解的替代值。并且利用全局最优解的替代解和个体最优解的信息改进人工蜂群算法的搜索模式。针对经典测试函数作了数值实验,结果表明,改进的蜜蜂群算法具有精度高,不易陷入局部最优,后期收敛速度加快等优点。　　 把蜜蜂群算法应用于解组合优化问题——TSP问题。结合TSP问题中解的构造过程,研究了蜜蜂群算法中蜜蜂的寻路过程及角色转换过程等机制。给出了基于采蜜机理的蜜蜂群算法构造过程和算法步骤。仿真实验结果表明,论文提出的模型是有效和可行的。